Resumen - Optimización de Cartera Multiojetivo mediante Descenso de Gradiente

Optimización de Cartera Multiojetivo mediante Descenso de Gradiente

2025-07-22 15:55:00

{"Christian Oliva","Pedro R. Ventura","Luis F. Lago-Fernández"}

{cs.CE,cs.LG}

El artículo presenta un marco para la optimización de carteras multifinalidad (MPO) utilizando descenso de gradiente y diferenciación automática en Tensorflow. El marco aborda las limitaciones de los métodos tradicionales, que luchan con escalabilidad, flexibilidad y manejo de restricciones complejas y múltiples objetivos. Las principales novedades del artículo son: - **Marco de Descenso de Gradiente para MPO**: El artículo introduce un marco de referencia para la MPO utilizando descenso de gradiente con diferenciación automática. Esto permite una optimización eficiente y escalable, permitiendo la identificación de soluciones óptimas mediante la ajuste iterativo de los pesos de la cartera. - **Soporte para Múltiples Objetivos**: El marco admite cualquier objetivo de optimización, como minimizar medidas de riesgo (por ejemplo, CVaR) o maximizar el ratio Sharpe. Esta flexibilidad permite a los inversores y administradores de carteras abordar múltiples objetivos conflictivos simultáneamente. - **Manejo de Restricciones**: Las restricciones se manejan mediante términos inspirados en la regularización, asegurando que el proceso de optimización respete las restricciones mientras explora el compromiso entre objetivos. - **Extensibilidad**: El marco es fácilmente extensible a problemas de MPO más complejos simplemente agregando nuevas restricciones. Esto lo hace adecuado para una amplia gama de aplicaciones en situaciones del mundo real. - **Reproducibilidad y Accesibilidad**: El marco es completamente reproducible y accesible para investigadores y profesionales. Esto promueve la transparencia y permite la investigación y desarrollo adicionales. El artículo evalúa el marco en seis escenarios experimentales, comparando su rendimiento con solucionadores estándar como CVXPY y SKFOLIO. Los resultados muestran que el marco alcanza un rendimiento competitivo al tiempo que ofrece una mayor flexibilidad para modelar múltiples objetivos y restricciones. En resumen, el artículo presenta una herramienta práctica y extensible para investigadores y profesionales que exploran problemas de optimización de carteras avanzados en condiciones del mundo real. Proporciona una contribución valiosa al campo de la MPO y tiene el potencial de mejorar la construcción de carteras y la gestión del riesgo.